پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,200 |
| تعداد مقالات | 77,257 |
| تعداد مشاهده مقاله | 157,651,782 |
| تعداد دریافت فایل اصل مقاله | 118,685,679 |
ارزیابی شاخصهای طیفی خاک و سپیدایی سطحی در پایش بیابانزایی در غرب استان خوزستان با استفاده از دادههای سنجش از دور | ||
| فیزیک زمین و فضا | ||
| مقاله 5، دوره 51، شماره 3، آذر 1404، صفحه 593-611 اصل مقاله (1.46 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2025.386172.1007647 | ||
| نویسندگان | ||
| محمد عبیات1؛ مصطفی عبیات* 2؛ مرتضی عبیات2 | ||
| 1گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران. | ||
| 2گروه جغرافیای انسانی، دانشکده علوم جغرافیایی و برنامهریزی، دانشگاه اصفهان، اصفهان، ایران. | ||
| چکیده | ||
| بیابانزایی نوعی تخریب اراضی در اثر فرایندهای طبیعی و فعالیتهای انسانی است. دادههای سنجش از دور، ابزار مهمی در نقشهبرداری و پایش بیابانزایی بهشمار میروند. هدف این پژوهش، ارزیابی پتانسیل شاخصهای طیفی خاک و سپیدایی (Albedo) در بررسی وضعیت بیابانزایی در غرب استان خوزستان میباشد. ابتدا، شاخصهای BSI، BI، SI، IFe2O3، NSMI، TGSI، CLI، CI، SCI و شاخص سپیدایی از تصویر ماهواره لندست 8 استخراج شده و دامنه مقادیر شاخصها نرمالسازی شد. سپس، مدلهای فضای ویژگی بر اساس همبستگی بین متغیرها در نرمافزار SAGA 9.5 ساخته شد. در مرحله بعد، طبقهبندی شدت بیابانزایی با تقسیم فضای ویژگی در جهت قائم بر روند تغییرات بیابانزایی صورت گرفت. در نهایت، نقشههای بهدست آمده با استفاده از روش شکست طبیعی به پنج درجه بیابانزایی طبقهبندی شدند. نتایج نشان داد که شاخص سپیدایی با شاخصهای BSI، BI، SI، NSMI، TGSI، CLI و SCI همبستگی مثبت و با شاخصهای IFe2O3 و CI همبستگی منفی دارد. شاخصهای BI، SI و TGSI بهترتیب با ضریب همبستگی 985/0، 909/0 و 850/0، بیشترین ارتباط را با شاخص سپیدایی داشتهاند. بیشترین مساحت منطقه در دو مدل Albedo-BI و Albedo-SI در کلاس شدت متوسط بیابانزایی و در مدل Albedo-TGSI در کلاس شدت زیاد بیابانزایی قرار گرفته است. نقشه مدل فضای ویژگی Albedo-BI بیشترین دقت را در تفکیک طبقات بیابانزایی در منطقه داشته است. بررسی بصری نقشه مدل Albedo-BI نیز نشان داد که بخشهای شرقی منطقه، دارای شدت بیابانزایی بیشتری نسبت به قسمتهای غربی هستند. | ||
| کلیدواژهها | ||
| شدت بیابانزایی؛ سنجش از دور؛ لندست 8؛ فضای ویژگی؛ خوزستان | ||
| عنوان مقاله [English] | ||
| Evaluation of Soil Spectral Indices and Surface Albedo in Desertification Monitoring of Western Khuzestan Province using Remote Sensing Data | ||
| نویسندگان [English] | ||
| Mohammad Abiyat1؛ Mostefa Abiyat2؛ Morteza Abiyat2 | ||
| 1Department of Soil Science and Engineering, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran. | ||
| 2Department of Human Geography, Faculty of Geographical Sciences and Planning, University of Isfahan, Isfahan, Iran. | ||
| چکیده [English] | ||
| Desertification is a form of land degradation, resulting from both natural processes and human activities. In this regard, the use of remote sensing indicators to prepare desertification maps can be an efficient approach to assess this process. The goal of this study is to evaluate the potential of soil spectral indices and surface albedo in modeling desertification intensity in the western Khuzestan Province. Initially, we extracted indices including BSI, BI, SI, IFe2O3, NSMI, TGSI, CLI, CI, SCI, and Albedo from Landsat 8 satellite images. Then, soil spectral indices were calculated using the band calculation tool available in ENVI software, and raster maps of these indices were generated. To create feature space models and identify correlations between the variables, we also extracted the surface albedo index values from the satellite images. The maximum and minimum values of surface albedo index were 37518.1 and 8338.75, respectively. Next, we randomly selected spectral values from 753 locations on the soil spectral index map and extracted their corresponding values from the surface albedo index map. To ensure comparability, the index values were standardized through data normalization. After normalization, scatter plots of the spectral pixel value densities were generated in the SAGA 9.5 software environment, and best-fit line equations were determined. Linear regression analysis was then conducted to examine the correlation between the soil spectral indices and Albedo. In this study, all soil spectral indices were considered independent variables, while the surface albedo index was treated as the dependent variable. Desertification intensity was classified by dividing the feature space perpendicular to the trend of desertification change. Subsequently, the Jenks Natural Breaks method was applied to classify the data values into five desertification classes: areas without desertification, areas with low desertification intensity, areas with moderate desertification intensity, areas with high desertification intensity, and areas with very high desertification intensity. The results of the correlation analysis of the indices show that the BSI, BI, SI, NSMI, TGSI, CLI, and SCI indices are positively correlated with the Albedo index; so with the increase in the BSI, BI, SI, NSMI, TGSI, CLI, and SCI indices, the Albedo variable also increases. While the IFe2O3 and CI indices were negatively correlated with the Albedo index, such that an increase in IFe2O3 and CI indices resulted in a reduction of the Albedo variable. An analysis of the correlation coefficients between the indices revealed that the BI, SI, and TGSI indices exhibited the strongest correlation with the Albedo index, with correlation coefficients of 0.985, 0.909, and 0.850, respectively. Conversely, the IFe2O3, CLI, and NSMI indices showed the weakest correlation with the Albedo index, with correlation coefficients of -0.026, 0.106, and 0.110, respectively. Therefore, the Albedo-BI, Albedo-SI, and Albedo-TGSI models, due to their highest correlations with the variables, were considered suitable criterion for evaluating and classifying desertification in the region, given its rather arid climate. Following the classification of desertification intensity, the accuracy of the Albedo-BI, Albedo-SI, and Albedo-TGSI feature space models was assessed using the error matrix, overall accuracy, and the kappa coefficient. The Albedo-BI model achieved an overall accuracy of 98.23% and a kappa coefficient of 0.97; the Albedo-SI model yielded 94.45% accuracy and a kappa value of 0.92; and the Albedo-TGSI model recorded 90.50% accuracy with a kappa coefficient of 0.86. These results indicate that the Albedo-BI model provides the highest classification accuracy among the three models. Furthermore, analysis of the models suggests that the eastern parts of the study area exhibit higher desertification intensity than the western regions. | ||
| کلیدواژهها [English] | ||
| Desertification Intensity, Surface Albedo, Remote Sensing, Landsat-8, Feature Space, Khuzestan | ||
| مراجع | ||
|
احدی، پ.، خالدی، ش. و احمدی، م. (۱۴۰۰). پایش آماری پدیده گرد و غبار در استان خوزستان با رویکرد ساعتی. تحقیقات کاربردی علوم جغرافیایی، ۲۱(۶۰)، 259-277.
اسکندری دامنه، ه.؛ اسکندری دامنه، ح.؛ خسروی، ح.؛ چراغی، م. و عادلی ساردوئی، م. (1402). ارزیابی تخریب اراضی با استفاده از دادههای سنجشازدور ماهواره لندست در بازۀ زمانی 1400-1390 (مطالعۀ موردی: شهرستان اصفهان). فصلنامه سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 14(1)، 86-100.
پاینده، خ.؛ خاشعی، م. و سبزعلیپور، س. (1397). بررسی علل ریزگردها استان خوزستان و عوامل مؤثر بر آن، اولین همایش بینالمللی و سومین همایش ملی مدیریت پایدار منابع خاک و محیط زیست، کرمان، ایران.
پویان، س.، زارع، م.، اختصاصی، م. ر. و مختاری، م. ح. (1397). برآورد آلبیدو سطح زمین در رخسارههای ژئومورفولوژی دشت یزد-اردکان با بهرهگیری از تصاویر ماهواره لندست 8. فصلنامه مدیریت بیابان، 6(12)، 33-48.
جابری، س.، و خسروی پور، ب. (1395). بیابانزایی در ایران؛ علل و راهکارها،کنفرانس بین المللی منابع طبیعی، مهندسی کشاورزی، محیط زیست و توسعه روستایی،تهران.
جعفری، م.، پناهی، ف.، احمدی، ح.، عباسی، ح. ر.، موسوی، م.؛ زارع، م. ع. و طویلی، ع. (1385). ارزیابی شاخصهای معیار خاک جهت بررسی وضعیت بیابانزایی مناطق سلیمان، حسینآباد میشمست و گازران در استان قم. فصلنامه تحقیقات مرتع و بیابان ایران، 13(3)، 278-283.
حبیبی، ع. ر، صادقی، م.، رجبی، م.، شادفر، ص.، عرب خدری، م.، خیرخواه، م.، و جافریان، م. (1392). تدوین، تهیه و ارزیابی نقشه بیابانزایی در استان خوزستان. سازمان تحقیقات، آموزش و ترویج کشاورزی، پژوهشکده حفاظت خاک و آبخیزداری، تهران، 112 ص.
دیناروند، م.، کنشلو، ه. و فیاض، م. (1397). پوششگیاهی کانونهای گرد و غبار در استان خوزستان. نشریه طبیعت ایران، 3(3)، 32-42.
ذوالفقاری، ف. و عبداللهی، و. (1401). تعیین شدت بیابانزایی بر اساس شاخصهای طیفی با استفاده از تصاویر سنتینل-2؛ مطالعه موردی: استان سیستان و بلوچستان. فصلنامه سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 1(13)، 108-126.
رحمانی سیالرز، ش. و کشاورزی، ع. (1402). مروری بر چالشهای انتخاب شاخصهای مناسب دورسنجی در مطالعات شوری خاک. فصلنامه مدیریت اراضی، 11(1)، 99-119.
شیرازی، م. زهتابیان، غ.؛ و متینفر، ح. (1389). بررسی قابلیت شاخصهای مختلف دورسنجی در بارزسازی پوششهای سطح زمین در مناطق خشک (مطالعه موردی: نجمآباد ساوجبلاغ). فصلنامه تحقیقات مرتع و بیابان ایران، 17(2)، 256-275.
عبیات، م.؛ عبیات، م. و عبیات، م. (1402). ارزیابی شدت بیابانزایی با استفاده از شاخصهای طیفی منتج از تصاویر ماهوارهای؛ مطالعه موردی: شهرستان بندر ماهشهر. فصلنامه پژوهشهای جغرافیای طبیعی، 55(4)، 61-81.
قربانی، ژ.؛ سفیدی، ک.؛ کیوان بهجو، ف. و معمری، م. (1397). تأثیر شدتهای مختلف چرای دام بر زیست توده اندامهای هوایی و زیرزمینی دوگونه Festuca Ovina و Agropyron Libanoticum در مراتع جنوب شرقی سبلان. فصلنامه تحقیقات مرتع و بیابان ایران، 25(3)، 500-511.
کربلاییدرئی، ع. ر.، حجازیزاده، ز. و مسعودیان، س. ا. (1400). واکاوی زمانی- مکانی سپیدایی روشن (White Sky Albedo) بالاتر از میانگین در ایران. فصلنامه پژوهشهای جغرافیای طبیعی، 53(1)، 141-155.
مرادی، ع.؛ جعفری، م.؛ ارزانی، ح. و ابراهیمی، م. (1401). ارزیابی تغییر کاربری اراضی مرتعی به دیمزار با استفاده از تصاویر ماهوارهای و سیستم اطلاعات جغرافیایی. فصلنامه سنجشازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1)، 89-100.
هاشمگلوگردی، س.؛ ولی، ع. ع. و شریفی، م. ر. (1400). کاربرد مدل فضای ویژگی TGSI-Albedo در بررسی وضعیت بیابانی شدن مرکز استان خوزستان. فصلنامه مدیریت بیابان، 9(3)، 49-66.
Chavez, Jr, Pat. (1996). Image-Based Atmospheric Corrections - Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62(9), 1025–1036. Chen, Q., Vaudour, E., Richer-de-Forges, A., & Arrouays, D. (2025). Spectral indices in remote sensing of soil: definition, popularity, and issues. A critical overview. Remote Sensing of Environment, 329, 114918. Cordeiro, M. C., Santos, N. A., Silva, V. M. A., Luiz, D. M., & Silva, V. P. R. (2015). Case Study: Identification of Desertification in the Years 1999, 2006, and 2011 in Mossoró-rn. Journal of Hyperspectral Remote Sensing, 4, 101-106. Dai Nguyen, V., Hai Hoa, N., Quyet, N., & Duy Quang, P. (2021). Land Surface Temperature Responses to Vegetation and Soil Moisture Index using Landsat-8 Data in Luong Son District, Hoa Binh Province. Journal of Forestry Science and Technology, (11), 082–094. Deng, J., Huang, X., Feng, Q., Ma, X., & Liang, T. (2015). Toward Improved Daily Cloud-Free Fractional Snow Cover Mapping with Multi-Source Remote Sensing Data in China. Remote Sensing, 7(6), 6986-7006. Diek, S., Fornallaz, F., & Schaepman, M. E. (2017). Barest Pixel Composite for Agricultural Areas USING Landsat Time Series. Journal of Remote Sensing, 9(12), 1245. Ding, H., & Xingming, H. (2021). Spatiotemporal Change and Drivers Analysis of Desertification in the Arid Region of Northwest China Based on Geographic Detector. Journal of Environmental Challenges, 4, 100082. Douaoui, A. E. K., Nicolas, H., & Walter, C. (2006). Detecting Salinity Hazards within a Semiarid Context by Means of Combining Soil and Remote-Sensing Data. Geoderma, 134(1–2), 217–223. Escadafal, R. (1989). Remote Sensing of Arid Soil Surface Color with Landsat Thematic Mapper. Advances in Space Research, 9(1), 159-163. Ferreira, C. S. S., Seifollahi-Aghmiuni, S., Destouni, G., Ghajarnia, N., & Kalantari, Z. (2022). Soil Degradation in the European Mediterranean Region: Processes, Status and Consequences. Science of the Total Environment, 805, 150106. Feyzolahpour, M. (2024). Evaluation of Desertification in Qazvin Plain using Sentinel 2 Images and Spectral Indices and Degree of Desertification (DDI). Journal of Geographical Research on Desert Areas, 11(2), 41-56. Gadal, S., Gbetkom, P., Ngandam, M., & Alfred H. (2021). A New Soil Degradation Method Analysis by Sentinel 2 Images Combining Spectral Indices and Statistics Analysis: Application to the Cameroonians Shores of Lake Chad and Its Hinterland. 7th International Conference on Geographical Information Systems Theory, Applications and Management (GISTAM 2021), pp.25-36, 2021, Proceedings of the 7th International Conference on Geographical Information Systems Theory, Applications and Management (GISTAM 2021). Gasmi, A., Gomez, C., Chehbouni, A., Dhiba, D., & Elfil, H. (2022). Satellite Multi-Sensor Data Fusion for Soil Clay Mapping Based on the Spectral Index and Spectral Bands Approaches. Journal of Remote Sensing, 14(5), 1103. Giveiiashraf, Z., Hakimzade, M. A., Zare, M., Ebrahimi Khusfii, Z., & Dashtakian, K. (2015). Monitoring of Soil Salinity using ASTER Satellite Data to Evaluate Desertification in the Marvast Plain, Yazd Province. Journal of Range and Watershed Managment, 67(4), 603-616. Guo, B., & Wen, Y. (2020). An Optimal Monitoring Model of Desertification in Naiman Banner Based on Feature Space Utilizing Landsat8 Oli Image. IEEE Access, 8, 4761-4768. Guo, B., Wei, C., Yu, Y., Liu, Y., Li, J., Meng, C., & Cai, Y. (2022). The Dominant Influencing Factors of Desertification Changes in the Source Region of Yellow River: CLIMATE Change or Human Activity? Science of The Total Environment, 813, 152512. Habashi, K., Karimzadeh, H., & Pourmanafi, S. (2017). Assessment Soil Salinity in East Isfahan Based on OLI Sensor data and topographic feature analysis. Journal of RS and GIS for Natural Resources, 8(1), 36-51. Han, L., Zhang, Z., Zhang, Q., & Wan, X. (2015). Desertification Assessments in the Hexi Corridor of Northern China’s Gansu Province by Remote Sensing. Journal of Natural Hazards, 75(3), 2715-2731. He, T. (2012). Estimating Land Surface Albedo from Satellite Data. Doctor of Philosophy Dissertation, Faculty of the Graduate School of the University of Maryland, College Park, pp 54. Huang, F., Wang, P., Liu, Y., & Li, H. Y. (2020). Land Salinization Dynamics Based on Feature Space Combinations from Landsat Image in Tongyu County, Northeast China. Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 3, 25–32. Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2), 195-213. Jafari, M., Zare chahouki, M., Ahmadi, H., & Abbasi, H. (2011). Evaluation of the Effects of Soil Properties on Desertification (Case Study: Segzi Pediment of Isfahan, Iran). Journal of Desert, 16(1), 1-4. Jafari, R., Lewis, M. M., Ostendorf, B. (2008). An Image-Based Diversity Index for Assessing Land Degradation in an Arid Environment in South Australia. Journal of Arid Environments, 72(7), 1282-1293. Jana, R., Khire, M., & Sajeevan, G. (2000). Evaluation of Albedo as an Indicator of Land Degradation using digital image processing. Geomatics 2000: Conference on Geomatics in Electronic Governance, Pune: Technical Proceedings, Indian Society of Geomatics, Ahmedabad. Karnieli, A. (1997). Development and Implementation of Spectral Crust Index Over Dune Sands. International Journal of Remote Sensing, 18(6), 1207-1220. Kaur, H., Kaur, A., Singh, B., & Bhatt, R. (2020). Application of Geospatial Technology in Assessment of Spatial Variability in Soil Properties: A Review. Current Journal of Applied Science and Technology, 39(39), 57-71. Kefayat Motlagh, O. R., & Darand, M. (2024). Detection of Land Surfacealbedo Changes Over Iran using Remote Sensingdata. Meteorological Applications, 31(4), e2224. Khan, N. M., Rastoskuev, V. V., Sato, Y., & Shiozawa, S. (2005). Assessment of Hydrosaline Land Degradation by using a Simple Approach of Remote Sensing Indicators. Journal of Agricultural Water Management, 77(1-3), 96-109. Khosravi, H., Zehtabian, G., Ahmadi, H., Azarnivand, H., & Ghaiebi, H. G. (2014). Hazard Assessment of Desertification as a Result of Soil and Water Recourse Degradation in Kashan Region, Iran. Journal of Desert, 19(1), 45-55. Lal, R. (2006). Encyclopedia of Soil Science, Second Edition, Marcel Dekker: New York. Lamchin, M., Lee, W.-K., Jeon, S. W., Lee, J.-Y., Song, C., Piao, D., Lim, C. H., Khaulenbek, A., & Navaandorj, I. (2017). Correlation between Desertification and Environmental Variables Using Remote Sensing Techniques in Hogno Khaan, Mongolia. Sustainability, 9(4), 581. Leporino, M., Rouphael, Y., Bonini, P., Colla, G., & Cardarelli, M. (2024). Protein Hydrolysates Enhance Recovery from Drought Stress in Tomato Plants: Phenomic and Metabolomic Insights. Frontiers in Plant Science, 15, 1357316. Liang, S. (2001). Narrowband to Broadband Conversions of Land Surface Albedo I: Algorithms. Remote Sensing of Environment, 76(2), 213-238. Liu, R. T., Sun, J. C., & Zhou, L. (2024). The Conception, Subject Characteristics, and Contents of Desert Ecology and it Simplication for Desertification Control. Acta Ecologica Sinica, 17, 1–7. Liu, Y., Qian, J., & Yue, H. (2021). Comparison and Evaluation of Different Dryness Indices Based on Vegetation Indices- Land Surface Temperature٫Albedo Feature Space. Journal of Advances in Space Research, 68, 2791-2803. Lobell, D. B., & Asner, G. P. (2002). Moisture effects on soil reflectance. Soil Science Society of America Journal, 66(3), 722-727. MalAmiri, N., Rashki, A., Hosseinzadeh, S. R., & Kaskaoutis, D. G. (2022). Mineralogical, Geochemical, and Textural Characteristics of Soil and Airborne Samples During Dust Storms in Khuzestan, Southwest Iran. Chemosphere, Vol. 286, Part 3. Mather, P. M., & Tso, B. (2009). Classification Methods for Remotely Sensed data, Second Edition, CRC Publishing, New York. Meng, X., Li, S., Akhmadi, K., He, P., & Dong, G. (2024). Trends, Turning Points, and Driving Forces of Desertification in Global Arid Land Based on the Segmental Trend Method and SHAP Model. Journal of GIScience & Remote Sensing, 61(1), 1-22. Min, Y., Zhang, Y., Kang, J., & Feng, K. (2021). Study on Spatial-Temporal Dynamic Monitoring of Degree of Desertification in CPEC based on MODIS Image. Remote sensing technology and application, 36(4), 827-837. Naseri, H. R. (2005). Assessment of Hydrogeochemistry and Groundwater Contamination of Shoush Plain Using Iso- Parameter Maps, Factor and Cluster Analysis. Journal of Territory, 1(4), 42-59. Nocita, M., Stevens, A., Noon, C., & Wesemael, B. (2013). Prediction of Soil Organic Carbon for Different Levels of Soil Moisture using Vis-NIR Spectroscopy. Geoderma, 199, 37-42. Peng, J., Xiang, H. Y., Zhou, Q., Zhang, Y. Z., Wang, J. Q., & Peng, X. A. (2013). Hyperspectral Response of Soil Iron Oxide. Spectrosc Spect Anal, 33(02), 502–506. Piña, R. B., Díaz-Delgado, C., Mastachi-Loza, C. A., & González-Sosa, E. (2016). Integration of Remote Sensing Techniques for Monitoring Desertification in Mexico. Human and Ecological Risk Assessment: An International Journal, 22(6), 1323-1340. Sajikumar, N., & Thandaveswara, B. S. (1999). A Nonlinear Rainfall-Runoff Model using Artificial Neural Networks. Journal of Hydrology, 21(6), 3255. Sandholt, I., Rasmussen, K., & Andersen, J. (2002). A Simple Interpretation of the Surface Temperature/Vegetation Index Space for Assessment of Surface Moisture Status. Remote Sensing of Environment, 79(2-3), 213–224. Shen, X., Liu, Y., Liu, B., Zhang, J., Wang, L., Lu, X., & Jiang, M. (2022). Effect of Shrub Encroachment on Land Surface Temperature in Semi-Arid Areas of Temperate Regions of the Northern Hemisphere. Journal of Agricultural and Forest Meteorology, 320, 108943. Singh, A. (2022). Soil Salinity: A Global Threat to Sustainable Development. Journal of Soil Use and Management, 38(1), 39-67. Song, C., Woodcock, C. E., Seto, K. C., Lenney, M. P., & Macomber, S. A. (2001). Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects? Remote Sensing of Environment, 75(2), 230–244. Song, J. (1998). Diurnal Asymmetry in Surface Albedo. Agricultural and Forest Meteorology, 92(3), 181-189. Suarez-Alvarez, M., Pham, D., Prostov, M., & Prostov, Y. (2012). Statistical Approach to Normalization of Feature Vectors and Clustering of Mixed Datasets. Royal Society of London Proceedings Series A, 468, 2630-2651. Tashpolat, N., & Reheman, A. 2025. Monitoring of Soil Salinity in the Weiku Oasis Based on Feature Space Models with Typical Parameters Derived from Sentinel-2 MSI Images. Land, 14(2), 251. Verstraete, M. M., & pinty, B. (1996). Designing Optimal Spectral Indices for Remote Sensing Applications. Journal of Transactions on Geoscience and Remote Sensing, 34(5), 1254-1265. Wang, C., Shi, W., & Lv, H. (2024a). Construction of Remote SensingIndices Knowledge Graph (RSIKG) Based on Semantic HierarchicalGraph. Remote Sensing, 16(1), 158. Wang, L., Guo, B., & Zhang, R. (2024b). Change Patterns of Desertification and Its Dominant Influencing Factors in China–Mongolia–Russia Economic Corridor Based on MODIS and Feature Space Model. Land, 13(9), 1431. Wei, H., Wang, J., & Han, B. (2020). Desertification information extraction along the China– Mongolia railway supported by multisource feature space and geographical zoning modeling. Selected Topics in Applied Earth Observations and Remote Sensing, 13, 392-402. Wen, Y., Guo, B., Zang, W., Ge, D., Luo, W., & Zhao, H. (2020). Desertification Detection Model in Naiman Banner Based on the Albedo-Modified Soil Adjusted Vegetation Index Feature Space Using the Landsat-8 OLI Images. Journal of Geomatics, Natural Hazards and Risk, 11, 544-558. Wicaksono, P., & Hafizt, M. (2017). Dark Target Effectiveness for Dark-Object Subtraction Atmospheric Correction Method on Mangrove Above-Ground Carbon Stock Mapping. Journal of IET Image Processing, 12(4), 582-587. Xiao, J., Shen, Y., Tateishi, R., & Bayer, W. (2006). Development of Topsoil Grain Size Index for Monitoring Desertification in Arid Land using Remote Sensing. International Journal of Remote Sensing, 27(12), 2411-2422. Xu, D., Kang, X., Qiu, D., Zhuang, D., & Pan, J. (2009). Quantitative Assessment of Desertification using Landsat Data on a Regional Scale: A Case Study in the Ordos Plateau, China. Journal of Sensors, 9(3), 1738-1753. Zeng, Y. N., Xiang, N. P., Feng, Z. D., & Xu, H. (2006). Albedo-NDVI Space and Remote Sensing Synthesis Index Models for Desertification Monitoring. Journal of Scientia Geographica Sinica, 26, 75–81. Zhang, Y., Xiang, N., & Feng, Z. (2009). SI-Albedo Space-Based Remote Sensing Synthesis Index Models for Monitoring of Soil Salinization. Journal of Acta Pedologica Sinica, 46, 698-703. Zhao, Y., Wang, X., Novillo, C. J., Arrogante-Funes, P., Vázquez-Jiménez, R., & Maestre, F. T. (2018). Albedo Estimated from Remote Sensing Correlates with Ecosystem Multifunctionality in Global Drylands. Journal of Arid Environments, 157, 116–123. Zhou, P., Zhao, D., Liu, X., Duo, L., & He, B-J. (2022). Dynamic Change of Vegetation Index and Its Influencing Factors in Alxa League in the Arid Area. Journal of Frontiers in Ecology and Evolution, 10, 1-14. | ||
|
آمار تعداد مشاهده مقاله: 637 تعداد دریافت فایل اصل مقاله: 290 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب